现实生活中往往存在一些计算机难以处理或者处理效果不佳的问题,如给图像打标签、判断两个记录是不是同一个实体等。众包直接将这些问题发布到互联网上,通过集合互联网上的未知大众来解决这些传统计算机难以单独处理的问题。已有的答案决策方法存在一定的局限性:一方面,以往工人的质量模型矩阵大小是固定的,仅适用于候选答案固定的情形。另一方面,众包平台上的问题类型有填空题、选择题(分单选题和多选题)、选择和填空的混合等,以往的答案决策算法主要是基于单选题提出的,不能兼容多种答案类型,尤其无法处理包含开放性答案的问题。针对以上问题,本文综合考虑多种答案类型,提出了一种基于贝叶斯的开放性答案决策算法。首先,利用工人以往表现,建立了工人质量模型,该模型不受候选答案个数影响;其次,利用Jaro-Winkler Distance方法计算填空答案间的相似度,以此将填空内容扩展为候选选项,决策时考虑到了填空答案间的相互影响,认为相似度较大的一组答案很可能为相同的答案。此外,以往的决策中,候选答案的先验概率是未知的,本文根据机器算法给出的先验知识以及扩展答案情况,对候选答案的先验概率进行了预处理。相关实验表明,本文的决策算法能够综合处理多种答案类型,对开放性答案以及先验概率的处理,提高了算法的准确性。由于多选题答案决策过程是一个NP-hard问题,本文对多选题的答案决策算法提出了基于剪枝的优化策略,减少了需要计算后验概率的候选答案个数。相关实验表明,本文的优化策略,在保障决策算法准确一致的情况下,降低了算法的运行时间。